11.- ¿Puede funcionar la calificación estadística en la banca de consumo? (Alcance del scoring de crédito) Bajo el esquema de concesión de créditos de la banca tradicional el objetivo es evitar cualquier pérdida (dado el plazo y el monto del crédito una pérdida involucra costos significativos para la institución). Sin embargo, la óptica de los préstamos de consumo es diferente. El punto no es evitar cualquier pérdida, que en términos marginales son insignificantes, sino buscar maximizar los beneficios, permitiéndose un pequeño y controlado nivel de cartera mala merced de una expansión de los créditos otorgados. Empero, la ampliación de la cartera de clientes requiere de mecanismos que agiliten el proceso y que logren trabajar con un gran volumen de aplicaciones. Esto implica, bajo el método tradicional de aprobación de crédito, un vasto y bien entrenado grupo de analistas que logre oportunamente entrevistar a los solicitantes. Con este esquema no es dificil concluir que la oferta de crédito termine contrayéndose, reduciendo las oportunidades de incrementar ganancias, o que se reduzca la calidad del control y por ende se cometan errores de aprobación que involucran efectos similares sobre los beneficios. Por otro lado, existe la posibilidad de desarrollar métodos que reduzcan el subjetivo criterio humano "gut feel" implícito en la aprobación tradicional de un crédito, que sean capaces de evaluar un conjunto de características en muy corto tiempo, que puedan procesar grandes cantidades de solicitudes en el menor tiempo posible y que emitan una medida de diferenciación entre buenos y malos solicitantes. Esta es precisamente la idea subyacente en la metodología 'scoring'. Básicamente el 'credit scoring' es un método que se emplea para identificar diferentes grupos dentro de una población cuando no se pueden observar las caracteristicas que los definen sino únicamente las relaciones con estas". Esto hace que el sistema se base en el desempeño pasado de clientes que tienen características similares a aquellos a ser evaluados. El 'credit scoring' termina, por tanto, siendo un predictor del riesgo, cuya fortaleza no radica en la habilidad para En términos más formales el 'credit scoring' es un método de evaluación del riesgo de crédito que emplea información histórica y técnicas estadísticas, para tratar de aislar los efectos que tienen las características de varios aplicantes sobre la delincuencia y el incumplimiento. El método arroja un puntaje o score que la institución fmanciera puede emplear para ranquear sus aplicaciones de crédito en términos de riesgo. 4 10 explicar causalidades (por qué algunos clientes incumplen y otros no) sino en la objetividad de la metodología aplicada. Con el 'scoring' el prestamista aplica una fórmula para ciertos elementos claves de la aplicación de crédito. Este procedimiento arroja una cuantificación numéricas del riesgo y dependiendo de su valor la solicitud es aceptada o rechazada. De esta forma, el rol subjetivo en la valoración por parte del empleado se reduce a los casos donde sea genuina la oportunidad de añadir valor al proceso. Los beneficios no sólo se leen en una reducción de la subjetividad del analista inmersa en la concesión del crédito, al estar los métodos tradicionales apoyados fundamentalmente en información cualitativa mantenida en la mente del evaluador, sino que al basarse en información cuantitativa mantenida en los sistemas de cómputo de la institución financiera y por ende cuantificables a bajo costo, se pueden lograr reducciones de costos de morosidad y de evaluaciones de préstamos de tal forma que se mejore la eficiencia (mejores colocaciones) y por ende la rentabilidad. En Bolivia y Colombia, en el campo de las microfinanzas, experimentos de este tipo llevados a cabo por Schreiner", han confirmado las mejoras en la valoración del riesgo y por ende la disminución de costos. En Colombia se ha estimado un ahorro al prestamista de alrededor de $75.000 al año. No obstante, si bien el scoring de crédito, aplicado a créditos de consumo o micro créditos, parece ser el siguiente salto a la eficiencia' no está exento de debilidades. A la par coexisten tanto ventajas como desventajas en esta metodología, dejando siempre al final la opción al prestamista de optar por un sistema de otorgamiento de créditos subjetivo (scoring implícito) en donde el analista valora el riesgo del prestatario comparando mentalmente las características de un aplicante con su experiencia acumulada de otras aplicaciones similares o por un scoring estadístico que haga uso del conocimiento cuantitativo del desempeño de clientes pasados almacenados en una base 5 Estrictamente no todos los métodos conducen a una 'puntuación' o 'scorecard'. Algunos indican directamente la posibilidad de que un cliente sea bueno y si la aprobación del crédito vale la pena. 6 Mark Schreiner es Director de Microfmance Risk Managment e investigador del Center for Social Development de la Universidad de Washington en St.Louis 7 La evolución de este tipo de crédito ha pasado de la no concesión, a la concesión por parte de bancas de desarrollo, en el caso de microcréditos, a la conformación de grupos solidarios o a evaluaciones minuciosas de las solicitudes de crédito, para actualmente situarse en modelos estadísticos que pueden ir desde sencillas herramientas como las funciones discriminantes a sistemas complejos como las redes neuronales o los algoritmos genéticos. 11 de datos con el fin de pronosticar comportamientos futuros. Esto conduce, en virtud de la seriedad académica, a exponer los pros y contras de hacer uso de esta técnica. Desventajas Ventajas Requiere la existencia de una sólida y Cuantifica el riesgo como probabilidad extensa base de datos PO] ~~---------~----"-------¡----------:--------=---------- Consistencia _~ Puede necesitar un consultor externo y ~_" ~ ende generar riesgo operativo " Transparencia Su funcionamiento implementación en depende el ~e la I sistema transaccional • -~---------"-------------+-----------~------ No trabaja sobre solicitudes rechazadas Multivariable (ignora toda la información no existente en la base de datos de la institución) f---------~-------------___+--------------------- Puede ser validado Sólo destaca los casos de alto riesgo -- -" Permite evaluar opciones de políticas de Asume que el futuro será como el pasado aprobación f-----------------------+-c--------~-------=__------ I Establece relaciones I características entre del nesgo prestatario, y Es un modelo no I I el detenninístico I prestamista y el préstamo Reduce tiempo de cobranza Permite estimar efectos sobre J-­ la Ifrentabilidad -----------------I ---------~-----~"-"~- Mayor efectividad que una calificación I basada en cualquier "sistema expertos". rOrienta Il I f----------------------­ ~ los esfuerzos de venta hacia 1 mercados más rentables I~ Asigna recursos internos de 1 .11 una manera I más eficaz I ~-------------------~------------------ 8 Método de asignación de ponderaciones de características basadas en la experiencia y en supuestos. 12 I ~ I I La primera ventaja y tal vez la más importante es la cuantificación del riesgo como una probabilidad, "mientras el scoring subjetivo expresa que un préstamo tiene un riesgo por debajo del promedio, un juicio basado mayormente en un sentimiento cualitativo" (Schreiner, M 2004;9. La consistencia surge de la homogeneidad en la calificación otorgada a cada grupo de clientes que comparta las mismas características, todas las solicitudes idénticas tendrán por tanto el mismo valor de riesgo predicho; el hecho de contar con una fórmula matemática que arroje un valor 7ti hace que el proceso de obtención de esta probabilidad sea explícito y como consecuencia de fácil comunicación tanto a nivel de alta gerencia como de analistas. Uno de los nesgos de realizar análisis univariantes es el conocido como "Paradoja de Simpson'i'" según la cual la asociación entre dos variables (numéricas o cuantitativas) puede cambiar de sentido cuando se controla el efecto de una tercera variable, esto fortalece el uso de modelos estadísticos multivariantes, en donde se enmarca la metodología scoring, pudiendo realizar evaluaciones sobre riesgo de crédito con base en 30, 50, 100 o más características simultáneamente 11, permitiendo análisis mucho más precisos. El contar con modelos estadísticos da la posibilidad de contrastación de los mismos, validando los modelos sea con información previa al periodo muestral empleado, permitiendo observar como habría funcionado scoring si hubiera estado implementado al momento de estos desembolsos o verificando, previo a la fase de implementación, la consistencia del modelo con los nuevos clientes. Esta fase suele denominarse backtesting. La obtención de una calificación y de una distribución de clientes asociada a este puntaje permite establecer límites de aceptación y determinar el porcentaje de potenciales clientes que estamos excluyendo (la tasa de aprobación respecto al total de aplicaciones), por otro lado la opción de emplear información histórica permite calcular "Benefits and Pitfalls ofStatistical Credit Scoring for Microfmance", Savings and Development, Vol. 28 Nol, pp. 63-68. 10 Ver anexo l "De estadística, paradojas y resoluciones financieras". Comentario realizado a una resolución emitida por el organismo regulador ecuatoriano respecto al riesgo de emplear análisis univariantes. II Claro que siempre debe premiarse el principio de parsimonia. 9 13 el riesgo asumido con los clientes vigentes en la institución y el efecto que podría tener el modificar la política vigente sobre la relación buenos:malos y por ende sobre la reducción en el número de créditos desembolsados, estas posibilidades de evaluación dejan al tomador de decisiones conocer las consecuencias de implementar diferentes opciones de política. A diferencia de las valoraciones subjetivas el método scoring deja conocer no sólo que característica tiene un comportamiento habitual de riesgo, por ejemplo tanto en créditos de consumo como en microfinanzas se encuentra que el género es una variable determinante del riesgo, premiando a las mujeres en relación a los hombres como mejores sujetos de crédito al cumplir estas históricamente mejor con sus obligaciones financieras, sino que también permite saber en cuánto esta característica es más o menos riesgosa. De esta forma y dependiendo de la base estadística disponible en la institución financiera se podrá no sólo confirmar la orientación respecto al riesgo dada a la variable con base en el juicio subjetivo del analista, sino cuantitativamente ver cuán fuerte o débil es esta relación. En mercados competitivos donde los precios de los productos financieros no son mandatorios en las preferencias de los clientes es importante para el postulante a crédito el tiempo de aprobación del mismo (se supone que los clientes siempre preferirán la opción que les reporte el menor costo de oportunidad), por lo tanto el tiempo de respuesta de una institución financiera ante la demanda de crédito puede resultar un factor determinante al momento de querer colocar el dinero que intermedia. La solución no radica en la sola reducción de los días o las horas de aprobación, pues esto puede degenerar el riesgo como consecuencia de la reducción de controles, sino en la reducción del plazo de entrega del crédito con un correcto control del riesgo, este beneficio se incorpora al proceso de crédito con el uso de modelos estadísticos. De la misma forma el tiempo que puede gastar un analista de crédito en gestiones de cobranzas se reduce, primero porque el otorgarle un puntaje a cada cliente reduce el número, monto, y plazo de los créditos entregados a clientes de alto riesgo, reduciéndose el número de veces que los créditos sufrirán atrasos y consecuentemente el tiempo en gestiones de cobranza; segundo porque una vez desembolsado el préstamo, todos los clientes que tienen una calificación que indica mayor probabilidad de incumplimiento podrían ser sujetos de estrategias preventivas de 14 cobro, como llamadas recordatorias, que permitan reforzar la presencia de la obligación financiera en la mente del prestatario'f; tercero al dar calificaciones a los clientes se cuenta con un criterio de ordenación que permite a los analistas priorizar esfuerzos de cobranza, por ejemplo contactarse con aquellos de mayor riesgo de incumplimiento durante largo tiempo. Con el conocimiento adicional por parte de la institución financiera del costo de un crédito malo y el beneficio de uno bueno se puede determinar el impacto sobre la utilidad que tiene el fijar un umbral de créditos extremamente malos. El cambio en la rentabilidad no es más que el resultado de la diferencia entre el número de créditos malos que se niegan multiplicados por el beneficio de evitar estos préstamos menos el número de préstamos buenos multiplicados por el costo por préstamo bueno perdido. Muchas instituciones financieras asignan notas subjetivas a los préstamos en función de algunas variables, por ejemplo atraso promedio y atraso máximo es una pareja de variables comúnmente empleada para calificar al cliente como bueno o malo, el problema con este tipo de calificaciones es que suponen una relación entre los atrasos pasados y el riesgo futuro, mientras que el modelo scoring deriva la relación histórica. En el caso de los nuevos solicitantes que no disponen de un historial de pago las calificaciones basadas en sistemas expertos simplemente no aplican, mientras que los modelos scoring justamente permiten pronosticar el riesgo para este tipo de modelos. Al identificar y segmentar mejor el universo de clientes potenciales permite: a).- focalizar las estrategias de venta hacia los clientes más rentables, b).- realizar ofertas diferenciadas con el fin de obtener incrementos en el nivel de respuesta y e).­ desarrollar estrategias para mercados de aparentemente alto riesgo. La asignación interna de recursos de una manera más eficaz pasa por la posibilidad de evaluación objetiva y consistente de la relación riesgo beneficio en la adquisición de nuevos clientes. El empleo del scoring permite optar entre dos decisiones: 1).- reducir el riesgo manteniendo un volumen fijo de aprobaciones, 2).­ aumentar el número de clientes aprobados pero manteniendo el mismo nivel de riesgo. 12 Esta gestión preventiva de cobranza debe reducir las caídas de clientes a etapas de cobranza posteriores que involucren mayores costos para la institución. En términos de análisis costo-beneficio debe esperarse que esta opción permita reducir costos de cobranza, de lo contrario optar por una estrategia de este estilo podría generar resultados no esperados. 15 Del otro lado, se tiene un conjunto de desventajas que se deben considerar antes de incurrir en un proceso de obtención e implementación de un modelo scoring para el otorgamiento de créditos. La disponibilidad de una sólida y extensa información es uno de los principales obstáculos al momento de desarrollar un modelo estadístico. Lewis (1992) sugiere que una base que cuente con 1500 buenos y 1500 malos puede considerarse suficiente para modelar el comportamiento de pago. No obstante, mientras mayor sea el número de clientes mejor pueden hablar los datos. Makuch (1999) en cambio, sugiere que 100 mil clientes buenos se pueden considerar información suficiente sobre estos, en este caso se podría formar una base de análisis con todos los clientes malos existentes y tomar 100 mil buenos. Además, la cantidad de información registrada no debe sólo ser buena sino vasta'" para que los modelos desarrollados puedan compensar la ausencia de información financiera con mucha capacidad de pronóstico empleando un gran número de características menos significativas. La calidad de las bases de datos es fundamental, no sólo en cantidad de registros almacenados en cada variable (porcentaje bajo de clientes en blanco'") sino en la confiabilidad de la información archivada. Por ejemplo, puede ser que la variable sueldo no sea un buen predictor dentro de los modelos tal vez porque los clientes tienden a mentir sobre su salario, por lo que la correlación entre sueldo y riesgo es espúrea, o por que los vendedores de crédito adulteran la cifra ante la posibilidad de obtener una aprobación segura del crédito vendido por parte del analista'". Si bien el desarrollo de este tipo de modelos no es complejo, su elaboración, monitoreo y administración puede necesitar alguien con experiencia (consultor externo), al menos hasta el desarrollo de una cultura organizacional basada en una administración conciente del riesgo y de los beneficios de su medición, monitoreo y control; sin embargo, el uso de un consultor reduce la flexibilidad del sistema y aumenta la dependencia de la institución financiera al mismo, en caso de disolver el convenio y 13 En especial para instituciones de microfmanzas en las que los prestatarios suelen no poseer historial de crédito en central de riesgos o son trabajadores cuenta propistas sin registro o con registros poco fiables de ingresos laborales. En el caso ecuatoriano esta situación se extiende al crédito de consumo. 14 Se suele considerar que una variable es buena si tiene menos del 5% de los registros como blanco. Note que blanco no significa cero. Cero debe ser siempre en la base el registro del valor "O" mientras que blanco significa ausencia de información respecto a esa variable. Por ejemplo, un cliente casado puede tener cero cargas familiares, mientras que un casado que tenga esta variable en blanco no implica que también tiene cero cargas familiares, sino que no se ha almacenado esta información. 15 Siempre que no exista la posibilidad de verificar el sueldo del cliente, como es el caso usual de los trabajadores por cuenta propia que no facturan (sector informal). 16 de no poseer la capacidad de autogestión en este tema se puede incurrir en riesgo operativo, sin mencionar la dificultad de adaptación al método por parte de la gente dentro de la organización que puede devenir del rechazo al cambio o de la puesta en duda del aporte de un consultor que desconoce los clientes de la institución y que mediante una fórmula "dice" ser capaz de indicar el riesgo alto o bajo de un cliente, juicio que era propiedad del analista de crédito. Para vencer este obstáculo es fundamental la capacitación continua no sólo de la alta gerencia sino de los analistas de crédito, educación que implica un conocimiento del modelo, que genere confianza en el método y no una caja negra que arroja resultados'". Para que el scoring tenga éxito en la práctica, además de su correcto modelado, es necesaria su implementación dentro del sistema transaccional, si no existe personal asignado a este trabajo o se cometen errores en el proceso, el proyecto scoring puede fracasar en esta etapa. El modelo compara las solicitudes actuales con aquellas almacenadas históricamente en la base de datos, estas solicitudes fueron aprobadas pasando por los filtros subjetivos de los analistas y las medidas de política adoptadas hasta la fecha por la institución, por ende los únicos préstamos existentes en las bases son aquellos que han sido analizados previamente, por ejemplo si una medida de política es no prestar a los trabajadores informales y por ende no existe información respecto a ellos en las bases de datos, el scoring no solucionará este problema, en otras palabras el modelo ignora todos los factores de riesgo que no están cuantificados ni registrados en la base de datos. Los modelos no pueden pronosticar algo que no haya sucedido con suficiente frecuencia en periodos anteriores y que no esté almacenado en la base de datos, pese a esta deficiencia el modelo no pierde capacidad de pronosticar el riesgo relativo, es decir el cliente con mayor probabilidad de incumplimiento lo seguirá siendo ante cambios en el contexto socio-económico, sin embargo, sí se pierde poder de pronóstico del valor de riesgo absoluto. J6 Posiblemente la sencillez en la comprensión del funcionamiento de modelos como análisis discriminantes, árboles de decisión o regresiones ha favorecido su difusión por encima de métodos como las redes neuronales o los algoritmos genéticos. 17 Por último, es relevante recordar que el modelo pronostica probabilidades de éxito (buen cliente) o fracaso (mal cliente)!", pero en la realidad el riesgo observado es siempre cero (malo) o uno (bueno), por esto el scoring no logra nunca dar en el blanco para un préstamo dado, la función del modelo es lograr en promedio determinar el riesgo asumido por el prestamista. Siguiendo el ejemplo de Schreiner, el scoring funciona si entre 1000 préstamos cada uno con un riesgo pronosticado de 10 por ciento, el riesgo promedio observado es de más o menos 10 por ciento. No se puede juzgar el scoring por su desempeño en casos particulares, pues éste siempre fallará en algunos casos. Los escépticos en el uso de estas técnicas pueden objetar que con un umbral de malos del 50% se están rechazando solicitudes que tienen alrededor del 50% de probabilidades de ser buenos clientes, pero este problema no es salvado tampoco por el scoring subjetivo, sino que el scoring estadístico lo hace explícito, mientras que el subjetivo no permite medir la magnitud de la pérdida. En conclusión y salvando las limitaciones que pueden presentar los modelos estadísticos empleados para la valoración del riesgo de crédito en banca de consumo, es inevitable admitir que la esencia de las finanzas es la predicción del riesgo de incumplimiento de la promesa de pago de un prestatario. Estas estimaciones de riesgo sean subjetivas u objetivas siempre se basan en información acumulada sea en la mente de los analistas o en los sistemas de información de las instituciones crediticias. La calificación estadística apuesta por la segunda, datos de carácter cuantitativo que permitan no sólo asignar un valor de mejor o peor cumplimiento sino revelar también cómo estos datos (características del crédito, acreditado y acreditador) afectan al riesgo, por ende siempre tendrá algún poder predictivo, que en fin último sino logra suplir en su totalidad la valoración del analista, será un complemento valioso en la predicción del riesgo y en la reducción de costos. 17 En términos estadfsticos se considera éxito a la ocurrencia del evento que queremos pronosticar, en este caso la probabilidad de que el cliente sea bueno. 18